news 2026/6/1 3:55:57

用C++模拟流感传播：从信息学奥赛题到传染病模型入门

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
用C++模拟流感传播：从信息学奥赛题到传染病模型入门

用C++模拟流感传播：从信息学奥赛题到传染病模型入门

当我们在计算机屏幕上看到一个个字符组成的网格时，很少有人会想到这简单的二维数组背后隐藏着理解现实世界传染病传播的钥匙。那道经典的"流感传染"信息学奥赛题，表面上考察的是递推算法和数组操作，实际上却为我们打开了一扇通往流行病学建模的大门。

传染病模型在公共卫生决策中扮演着关键角色，而计算机模拟则是验证这些模型最有力的工具之一。本文将带您从这道竞赛题出发，探索如何用C++构建一个简单的传染病传播模拟器，并理解其背后的SIR模型原理。无论您是刚开始接触算法的大学生，还是对建模感兴趣的编程爱好者，都能在这个过程中获得对疫情传播机制更直观的认识。

1. 从竞赛题到现实模型：理解基本传播规则

那道奥赛题目描述了一个n×n的网格状宿舍区，每个格子代表一个房间，可能是健康的居民('.')、空房间('#')或流感患者('@')。规则很简单：每天，患者会感染其上下左右的健康邻居，而空房间不会传播病毒。

这种离散化的空间表示和传播规则，恰好对应了流行病学中元胞自动机模型的核心思想。在现实中，传染病的传播也遵循类似的模式：

  • 空间邻近性：病毒通常先感染与患者接触密切的人群
  • 时间离散性：我们常以天为单位统计新增病例
  • 状态转换：健康→感染的状态变化

让我们看看题目给出的两种典型解法。第一种使用三维数组记录每天的状态：

char a[105][105][105]; // 天、行、列 for(int i = 2; i <= m; i++) { for(int j = 1; j <= n; j++) { for(int k = 1; k <= n; k++) { a[i][j][k]=a[i-1][j][k]; if (a[i][j][k] == '.') { if (a[i-1][j-1][k] == '@' || ... ) { a[i][j][k]='@'; } } } } }

第二种更优化的解法使用二维数组，但引入临时状态'*'表示当天被感染的人：

char a[105][105]; for(int i = 2; i <= m; i++) { for(int j = 1; j <= n; j++) { for(int k = 1; k <= n; k++) { if (a[j][k] == '.') { if (a[j-1][k] == '@' || ... ) { a[j][k]='*'; // 标记为当天被感染 } } } } // 统一更新状态 for(int j = 1; j <= n; j++) { for(int k = 1; k <= n; k++) { if (a[j][k] == '*') { a[j][k]='@'; // 第二天才具有传染性 } } } }

这两种实现方式反映了传染病建模中两个重要概念：

  1. 同步更新 vs 异步更新：第一种方法同步更新所有单元格，第二种分阶段更新更符合现实
  2. 潜伏期建模：使用中间状态'*'模拟了从感染到具有传染性的时间延迟

2. 扩展基础模型：向SIR模型靠拢

经典的SIR模型将人群分为三类：

  • S (Susceptible)：易感者
  • I (Infectious)：感染者
  • R (Recovered/Removed)：康复或免疫者

我们可以基于原有代码框架，逐步引入这些概念。首先定义更完整的状态枚举：

enum class HealthStatus { SUSCEPTIBLE, // 易感者 . INFECTIOUS, // 感染者 @ RECOVERED, // 康复者 # EMPTY // 空房间 };

然后修改传播规则，加入康复概率：

const double recovery_prob = 0.1; // 每天10%康复概率 for(int day = 2; day <= m; day++) { // 传播阶段 for(int i = 1; i <= n; i++) { for(int j = 1; j <= n; j++) { if (grid[i][j] == HealthStatus::SUSCEPTIBLE) { // 检查四个邻居 int infected_neighbors = count_infected_neighbors(grid, i, j); if (infected_neighbors > 0) { double infection_prob = 1 - pow(1 - base_infection_rate, infected_neighbors); if (rand()/(double)RAND_MAX < infection_prob) { next_grid[i][j] = HealthStatus::INFECTIOUS; } } } } } // 康复阶段 for(int i = 1; i <= n; i++) { for(int j = 1; j <= n; j++) { if (grid[i][j] == HealthStatus::INFECTIOUS) { if (rand()/(double)RAND_MAX < recovery_prob) { next_grid[i][j] = HealthStatus::RECOVERED; } } } } }

这个扩展引入了几个关键流行病学参数：

参数描述典型值范围
base_infection_rate单个感染者对单个易感者的日传播概率0.05-0.3
recovery_prob感染者每日康复概率0.05-0.2
initial_infected初始感染者比例0.001-0.01

3. 可视化与结果分析：理解传播动力学

单纯的数字输出难以直观展示传播过程。我们可以使用简单的字符图形来可视化每天的疫情分布：

void visualize(const Grid& grid) { for(int i = 1; i <= n; i++) { for(int j = 1; j <= n; j++) { switch(grid[i][j]) { case HealthStatus::SUSCEPTIBLE: cout << "."; break; case HealthStatus::INFECTIOUS: cout << "@"; break; case HealthStatus::RECOVERED: cout << "#"; break; case HealthStatus::EMPTY: cout << " "; break; } } cout << endl; } }

运行模拟后，我们通常会观察到三种典型传播模式：

  1. 快速消亡：当传播率低或康复率高时，疫情很快消失
  2. 局部爆发：中等传播率时，疫情在局部区域传播后消退
  3. 全面流行：高传播率低康复率时，疫情席卷整个系统

通过修改参数，我们可以研究这些模式之间的转变阈值，这正是流行病学中基本再生数R0概念的核心——当R0>1时，疫情会持续传播。

4. 进一步扩展方向：构建更真实的模型

有了基础框架后，我们可以考虑更多现实因素：

人口流动模拟：引入随机行走模型模拟人员移动

// 随机选择两个相邻格子交换状态 void random_movement(Grid& grid) { int i = rand() % n + 1; int j = rand() % n + 1; int direction = rand() % 4; int ni = i, nj = j; switch(direction) { case 0: ni--; break; // 上 case 1: ni++; break; // 下 case 2: nj--; break; // 左 case 3: nj++; break; // 右 } if(ni >= 1 && ni <= n && nj >= 1 && nj <= n) { std::swap(grid[i][j], grid[ni][nj]); } }

多年龄段模型：不同年龄组有不同的易感性和传播率

struct Person { HealthStatus status; AgeGroup age; // CHILD, ADULT, ELDERLY int days_infected; }; double get_infection_prob(Person& p, int infected_neighbors) { double base = base_rates[p.age].infection; return 1 - pow(1 - base, infected_neighbors); }

疫苗接种效果：模拟部分人群具有免疫力

enum class HealthStatus { SUSCEPTIBLE, INFECTIOUS, RECOVERED, VACCINATED, // 接种疫苗者 EMPTY }; // 接种疫苗者有较低感染概率 if (grid[i][j] == HealthStatus::VACCINATED && rand()/(double)RAND_MAX < vaccine_failure_rate) { next_grid[i][j] = HealthStatus::INFECTIOUS; }

这些扩展让我们的小模拟器越来越接近专业的流行病学工具，虽然简化，但已能揭示传染病传播的关键动态特性。

5. 从模拟到现实：模型局限性与应用价值

虽然我们的模型还很基础，但它已经体现了计算流行病学的核心思想：用可控的模拟环境理解复杂系统的行为。在教学和科研中，这类简单模型有独特价值：

  1. 教学演示：直观展示传播过程和各种干预效果
  2. 快速验证：在开发复杂模型前验证基本假设
  3. 算法训练：培养系统思维和建模能力

当然，真实世界的传染病传播要复杂得多，需要考虑：

  • 网络结构：人际关系不是均匀网格，而是复杂网络
  • 时空异质性：传播率随时间地点变化
  • 多重干预：隔离、口罩、社交限制等措施的综合影响

但这些复杂性不应成为初学者的障碍。正如这道奥赛题所示，从简单模型入手，逐步增加复杂度，才是掌握建模艺术的正确路径。

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/6/1 3:48:16

roberta-large-sst2实战教程：10个真实场景的情感分析应用案例

roberta-large-sst2实战教程&#xff1a;10个真实场景的情感分析应用案例 【免费下载链接】roberta-large-sst2 项目地址: https://ai.gitcode.com/hf_mirrors/zhouhui/roberta-large-sst2 roberta-large-sst2是基于roberta-large模型在GLUE SST2数据集上微调得到的文本…

作者头像 李华
网站建设 2026/6/1 3:48:16

别再傻傻分不清！Aurix TC3xx MCMCAN里的Mailbox、HRH、HTH到底怎么用？

Aurix TC3xx MCMCAN核心概念实战指南&#xff1a;从Mailbox到HRH/HTH的深度解析在嵌入式系统开发中&#xff0c;CAN总线通信一直是工业控制、汽车电子等领域的核心技术。英飞凌Aurix TC3xx系列微控制器凭借其强大的MCMCAN模块&#xff0c;为开发者提供了灵活高效的CAN通信解决方…

作者头像 李华
网站建设 2026/6/1 3:48:14

3步掌握MOOTDX：Python通达信数据接口让股票分析效率提升10倍

3步掌握MOOTDX&#xff1a;Python通达信数据接口让股票分析效率提升10倍 【免费下载链接】mootdx 通达信数据读取的一个简便使用封装 项目地址: https://gitcode.com/GitHub_Trending/mo/mootdx 还在为获取股票数据而烦恼吗&#xff1f;每次想分析市场行情&#xff0c;都…

作者头像 李华
网站建设 2026/6/1 3:48:12

PasteMD：如何用Python技术栈解决跨平台格式粘贴的世纪难题？

PasteMD&#xff1a;如何用Python技术栈解决跨平台格式粘贴的世纪难题&#xff1f; 【免费下载链接】PasteMD 一键将 Markdown 和网页 AI 对话&#xff08;ChatGPT/DeepSeek等&#xff09;完美粘贴到 Word、WPS 和 Excel 的效率工具 | One-click paste Markdown and AI respons…

作者头像 李华
网站建设 2026/6/1 3:48:01

从SpawnActor到垃圾回收：深入UE4.26/UE5对象生命周期管理与避坑指南

从SpawnActor到垃圾回收&#xff1a;UE4/UE5对象生命周期管理深度解析1. 对象生命周期的核心概念在虚幻引擎中&#xff0c;每个游戏对象都遵循着严格的"生老病死"规律。理解这个生命周期对于开发稳定、高效的UE项目至关重要。让我们先看一个典型的UE对象生命周期流程…

作者头像 李华